随着软件产品市场的不断扩大、软件运行设备的不断更新以及软件开发流程的不断成熟,人们对软件产品的性能需求逐渐凸显。性能问题本质上与源代码密切相关。为了解决同一个问题,不同的开发人员可能写出截然不同的“正确”代码,从功能测试的角度来说,他们的代码实现的功能是一样的。但从性能测试角度,他们的代码运行效率可能大不相同。大多数在线判题平台或者网站的评判系统都使用自动判别方式,通常依靠测试结果来验证所提交源代码的正确性以及性能是否达到要求。但是,传统的动态测试需要花费大量时间,即使对于那些小规模的程序,性能问题的发现通常也是在问题暴露之后。而由于代码结构或者语义的差异,其运行效率可能完全不同。近年来,随着深度学习的大热,越来越多的研究者试图利用深度学习模型从大量开源代码数据的统计和归纳中来解决软件工程的诸多问题。本文针对编程竞赛网站的代码超时问题,从代码语义特征和结构特征两个角度提取代码特征来构建深度学习预测模型,并在真实数据集中验证本文方法的有效性。本文的创新点和主要工作如下:1.针对代码的语义特征,由于不同的开发人员写出的代码完全不同,包括变量的命名方式,编码顺序,各类语言的差异等等。为了更加有效的抽象代码的语义特征,本文提出了一种新颖的代码标记化方式,针对代码中不同的元素,建立不同的标记规则。同时本文还提出一种基于注意力机制的双向长短期记忆神经网络的代码超时问题预测方法。2.针对代码的结构特征,我们选取了代码控制流程图作为结构特征的提取对象。本文提出了基于PSCN模型代码超时问题预测模型,该模型主要从代码控制流程图中提取有效特征。本文提出一个代码控制流程图生成算法,为了让深度学习模型有效的学习并构建预测模型,利用图嵌入的方法将图归一化并输入深度学习模型以供学习特征。最后本文用代码语义特征和结构特征融合并构建新的分类器并在实验中验证其有效性。3.为了验证我们的方法的有效性,我们在热门竞赛网站Codeforce上收集了不同语言的源代码来训练并构建预测模型。在以语义特征所构建的预测模型实验中,我们对比不同的标记方法来得出最优的标记化方法。然后与其他的深度学习模型比较后,得出结论,本文提出的方法预测效果更好。在以结构特征所构建的预测模型实验中,我们对比不同的控制流程图构建方法来得出最优的图构建方法。最终的实验结果表明,与传统动态测试相比,本文提出的方法可以减少很多的时间成本,并且对代码的超时问题预测结果达到一定的准确率。